Artımlı Popülasyon Ateşböceği Optimizasyon Algoritması
Guardado en:
| Publicado en: | PQDT - Global (2025) |
|---|---|
| Autor principal: | |
| Publicado: |
ProQuest Dissertations & Theses
|
| Materias: | |
| Acceso en línea: | Citation/Abstract Full Text - PDF Full text outside of ProQuest |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Resumen: | Ateşböceği Algoritması (FA), doğadaki ateşböceklerinin ışık yayma ve eş bulma davranışlarından ilham alan bir metasezgisel optimizasyon algoritmasıdır. Bu çalışmada FA’nın yerel optimumlara takılma ihtimalini azaltmak ve daha başarılı sonuçlar üretebilmesini sağlamak amacıyla Artımlı Popülasyon Ateşböceği Optimizasyon Algoritması (IFA) geliştirilmiştir. Artımlı popülasyon, belirli aralıklarla popülasyona yeni çözümlerin katılmasını ifade eder. Popülasyona katılacak yeni çözümler belirlenirken farklı yöntemler kullanılır. Bu çalışmada dört farklı yöntem kullanılarak yeni çözümler üretilmiş ve üretilen çözümler 5 ve 10 iterasyon aralıklarıyla popülasyona ilave edilmiştir. Bunun yanında, sosyal öğrenmenin IFA üzerindeki etkisini araştırmak amacıyla artım işleminin 100. iterasyondan sonra başlatıldığı Sosyal Öğrenmeli Artımlı Popülasyon Ateşböceği Optimizasyon Algoritması (SLIFA) uygulanmıştır. Elde edilen verilere göre, IFA ve SLIFA sonuçlarının birçok durum için FA sonuçlarından daha başarılı olduğu gösterilmiştir. The Firefly Algorithm (FA) is a metaheuristic optimization algorithm inspired by the light emitting and mate-finding behaviors of fireflies in nature. In this study, Incremental Population Firefly Optimization Algorithm (IFA) was developed to reduce the probability of the FA getting stuck in local optima and to enhance its optimization performance. The concept of incremental population refers to the periodic inclusion of new solutions into the population. Various methods are employed to determine the new solutions to be added. In this study, four different methods were used to generate new solutions, which were then incorporated into the population at intervals of 5 and 10 iterations. Additionally, to investigate the impact of social learning on IFA, a variant called the Social Learning-Based Incremental Population Firefly Optimization Algorithm (SLIFA) was implemented, where the increment process begins after the 100th iteration. According to the obtained results, it was demonstrated that the IFA and SLIFA yielded better performance than the standard FA in many scenarios. |
|---|---|
| ISBN: | 9798290657660 |
| Fuente: | ProQuest Dissertations & Theses Global |